视觉功绩还是语言依赖？对 DeepSeek-OCR 的深度考察
计算与语言
2026-01-09 v2 计算机视觉与模式识别
摘要
DeepSeek-OCR 采用光学 2D 映射方法实现高比例视觉-文本压缩，声称解码的文本标记数是输入视觉标记数的十倍。这一技术似乎为 LLM 长上下文瓶颈提供了有前景的解决方案，但我们调查了一个关键问题：“是视觉功绩还是语言依赖——哪个驱动了 DeepSeek-OCR 的性能？”通过采用句子级和词级语义扰码，我们隔离模型的固有 OCR 能力与语言先验。结果显示，在无语言支持情况下，DeepSeek-OCR 的性能从约90%骤降至20%。与 13 个基线模型的对比表明，传统管道式 OCR 方法在面对此类语义扰码时显著优于端到端方法。进一步发现，较低的视觉标记数与更高的先验依赖性呈正相关，加剧了幻觉风险。情境压力测试也揭示，在约 10,000 文本标记处模型会总体崩溃，表明当前的光学压缩技术可能反而恶化长上下文瓶颈。本研究实证界定了 DeepSeek-OCR 的能力边界，为未来的视觉-文本压缩范式提供了关键见解。我们在 https://github.com/dududuck00/DeepSeekOCR 上发布了所有数据、结果和脚本。
引用
@article{arxiv.2601.03714,
title = {Visual Merit or Linguistic Crutch? A Close Look at DeepSeek-OCR},
author = {Yunhao Liang and Ruixuan Ying and Bo Li and Hong Li and Kai Yan and Qingwen Li and Min Yang and Okamoto Satoshi and Zhe Cui and Shiwen Ni},
journal= {arXiv preprint arXiv:2601.03714},
year = {2026}
}